分箱

分箱法是一种数据平滑技术，它通过将相邻数据点分组到“箱”中来实现。每个箱的深度代表其中包含的数据点数量，而箱的宽度则表示该箱所覆盖的值的范围。

数据平滑的分箱方法，例如对排序后的价格数据（美元）进行分箱： 4, 8, 9, 15, 21, 24, 25, 26, 28, 29, 34 将其划分为等深的箱： 箱1：4, 8, 9, 15 箱2：21, 24, 25 箱3：26, 28, 29, 34 可使用箱平均值或箱边界值进行平滑： 箱平均值平滑： 箱1：9, 9 箱2：23, 23 箱3：29, 29 箱边界值平滑： 箱1：4, 15 箱2：21, 25, 25 箱3：26, 34

传统的分箱方法在挖掘基于距离的关联规则时，忽略了数据间隔的语义信息。基于距离的分割方法，通过考虑区间内的数据密度或点的个数，提供了一种更具意义的离散化方式，能够更有效地捕捉数据中的关联关系。

Matlab交叉检验代码SpectralClustering_RandomBinning（SC_RB）提供了一种简单的方法，利用最新的随机分箱特征来扩展光谱聚类。该代码结合了内核逼近（Random Binning）和特征值/奇异值求解器（PRIMME），适用于处理大规模数据集。详细信息可以在Wu等人的论文中找到：“使用随机分箱特征的可伸缩光谱聚类”（KDD'18）以及IBM Research AI Blog中获取。为了运行此代码，用户需要安装RB、PRIMME和LibSVM工具包，并编译相应的MEX文件以适配Mac、Linux或Windows操作系统。此外，还需下载符合libsvm格式的数据集，将训练和测试数据集合并为一个文件。推荐搜索最佳的超参数sigma，以获得最佳性能。